研究人员推出了一种新颖的方法——乐观策略正则化(OPR),通过将罕见的、高回报的 эпизоды 作为奖励加成来增强强化学习智能体。该技术是对近端策略优化(PPO)的一个简单修改,不需要辅助网络或复杂的循环。在对49款Atari游戏的实验中,OPR实现了148.4%的中位数人类归一化分数,决策次数显著少于基线方法,在大多数游戏上均优于已发布的PPO结果。 AI
影响 该方法有望提高强化学习智能体的训练效率,尤其是在奖励稀疏的环境中。
排序理由 该集群包含一篇详细介绍强化学习新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Atari
- Generalized Advantage Estimation
- Hugging Face
- human-normalized score
- Mai T Pham
- Optimistic Policy Regularization
- Proximal Policy Optimization
- Self-Imitation Learning via Generalized Lower Bound Q-learning
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →